Was ein KI-Agent ist und was ihn von einem Chatbot unterscheidet
Ein Chatbot antwortet auf eine Frage; danach ist der Vorgang vorbei. Ein KI-Agent erledigt eine Aufgabe. Er startet oft ohne Chat, etwa durch eine eingehende E-Mail oder ein neues Ticket, liest den Vorgang, holt sich den Kontext aus euren Systemen, führt mehrere Schritte aus und hinterlässt ein Ergebnis dort, wo eure Arbeit tatsächlich stattfindet: als Auftragsentwurf im ERP, als klassifiziertes Ticket in der richtigen Queue, als vorbereitete Antwort im Postfach.
Technisch besteht ein Agent aus vier Teilen. Das Sprachmodell liefert Sprachverständnis und Urteil. Die Werkzeuge geben ihm Zugriff auf eure Systeme, etwa ein CRM, ein Ticketsystem oder eine Preisliste. Das Gedächtnis hält fest, was im laufenden Vorgang bereits passiert ist. Die Regeln legen fest, was er ohne Rückfrage tun darf. Im Betrieb läuft das als Schleife: Ziel, nächster Schritt, Werkzeug, Ergebnis prüfen, weitermachen oder abgeben. Genau hier liegt der Unterschied zur klassischen Automatisierung. Das Ziel steht vorher fest, der Weg dorthin nicht.
Die Mehrzahl der „Wir brauchen einen Agenten“-Gespräche endet bei uns in einem Workflow mit einem einzigen, eng begrenzten agentischen Schritt. Für die meisten Geschäftsprozesse ist das das bessere Design. Autonomie ist eine Fähigkeit und ein Risiko zugleich; sie wird pro Aktionstyp verdient, gegen gemessene Fehlerraten. Die Abgrenzung im Detail steht im Glossar unter KI-Agent und agentischer Workflow.
Welche Abläufe sich für den ersten Agenten eignen
Ein guter Kandidat hat drei Eigenschaften: Er kommt oft vor, hat einen erkennbaren Eingang und ein prüfbares Ergebnis. Der Nutzen entsteht selten dort, wo eine ganze Rolle ersetzt werden soll. Er entsteht in den Vorgängen, die vielfach am Tag anfallen und jedes Mal dieselben zwei oder drei Systeme berühren.
- Support-Triage. Jede eingehende Anfrage lesen, klassifizieren, eine erste Antwort aus der Wissensbasis entwerfen, in die richtige Queue leiten, bei niedriger Konfidenz an einen Menschen eskalieren. Bei Projektron klassifiziert der Agent 71 % der Tickets automatisch und hat die mediane Zeit bis zur ersten Antwort um 58 % gesenkt.
- Auftragserfassung. Bestellungen kommen als PDF, Freitext-Mail oder Scan, jeder Kunde in seinem Format. Der Agent liest die Bestellung, gleicht Positionen gegen den Artikelstamm ab, markiert Unstimmigkeiten und legt einen Auftragsentwurf an. Ein Mensch bestätigt.
- Lieferanten- und Kunden-E-Mails im Einkauf. Auftragsbestätigungen, Verzugsmeldungen, Preisänderungen und Reklamationen werden klassifiziert, mit Kontext aus ERP und CRM angereichert und als Antwortentwurf oder interne Eskalation weitergereicht.
- Angebotsvorbereitung. Anfrage lesen, Stammdaten und Preisliste ziehen, einen Angebotsentwurf mit offenen Punkten vorbereiten, den der Vertrieb prüft und verschickt.
- CRM-Pflege und Follow-ups. Kontakte anlegen, Interaktionen loggen, Recherche zu neuen Leads, Erinnerungen an fällige Follow-ups. Bei uns macht das Chameleon.
- Content-Recherche und Entwürfe. Themen recherchieren, Quellen sammeln, Entwürfe im Ton des Hauses vorbereiten, die ein Mensch freigibt. Bei uns macht das Woodpecker.
- Reporting und Anomalien. Vereinbarte Kennzahlen beobachten, wesentliche Änderungen untersuchen, Befunde mit Quellen und offenen Fragen aufbereiten. Bei uns macht das Seagull.
Warnsignale sind unklare Ziele, irreversible Entscheidungen ohne Freigabe und Vorgänge, die zu selten vorkommen, um eine Eval-Suite zu füllen. Ein Agent, der über Menschen entscheidet, etwa Bewerbungen rankt oder Kreditwürdigkeit bewertet, ist ein Hochrisiko-System nach dem EU AI Act und kein erster Agent.
Vier Agenten bringen wir aus dem eigenen Betrieb mit: Woodpecker für Content, Chameleon für das CRM, Seagull für Reporting und Lynx für SEO und Barrierefreiheit. Sie laufen bei uns täglich, und ihre Rollen, Evals und Rechtemodelle sind der Ausgangspunkt, wenn euer Ablauf einem davon ähnelt.
Integration in gewachsene IT-Strukturen
Ein Agent ist Software in eurem Stack, keine weitere Plattform mit eigenem Login. Wir bauen ihn an die Systeme, die ihr habt: CRM wie HubSpot, Salesforce oder Pipedrive, euer ERP, Ticketsysteme wie Zendesk, Jira oder Freshdesk, Microsoft 365 oder Google Workspace, Slack oder Teams. Wo ihr bereits Langdock, ChatGPT Enterprise oder Copilot einsetzt, liefern wir den Agenten dort hinein, über MCP-Server und Skills, damit eure Leute in der Oberfläche bleiben, die sie kennen. Wie das technisch funktioniert, steht unter Model Context Protocol.
Drei Prinzipien gelten in jedem Projekt. Erstens Rechte nach dem Minimalprinzip: Der Agent bekommt genau die Zugriffe, die seine Aufgabe braucht, und Identität wie Berechtigungen liegen in eurem IAM, nicht bei uns. Zweitens dokumentierte Datenflüsse vor dem ersten Live-Lauf: Welche Quelle, welches Modell, welche Region, welche Aufbewahrung. Drittens kein Lock-in: Code, Prompts, Evals und Konfiguration liegen in eurem Repository. Wir arbeiten wie jeder Softwarelieferant mit Wartungsvertrag, und der Vertrag regelt den Exit, bevor der Agent live geht.
Beim Hosting gibt es drei Wege: Modellanbieter mit EU-Region und Auftragsverarbeitungsvertrag, europäische Anbieter, oder Modelle in eurer eigenen Infrastruktur, wo Datenlage und Aufgabe es verlangen. Die Wahl fällt im Sprint, gemeinsam mit eurer IT und eurer Datenschutzbeauftragten, und steht danach in der Dokumentation.
Datenschutz, DSGVO und EU AI Act
Ein Agent, der E-Mails liest und euer CRM abfragt, verarbeitet den ganzen Tag personenbezogene Daten. Die Fragen dazu sind bekannt, und wir beantworten sie im Design, nicht im Nachhinein. Die Rechtsgrundlage nach Art. 6 DSGVO wird dokumentiert, in der Regel über eine Interessenabwägung. Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung behalten eine wirksame menschliche Prüfung, wie Art. 22 sie verlangt, und „wirksam“ heißt hier: Wer 400 Ergebnisse am Tag abnickt, prüft nicht. Der Modellanbieter wird als Auftragsverarbeiter nach Art. 28 eingebunden, mit Vertrag, Subprozessorenliste und einer klaren Antwort darauf, wo die Inferenz läuft. Wo Kunden- oder Beschäftigtendaten systematisch verarbeitet werden, steht vor dem Go-live eine Datenschutz-Folgenabschätzung nach Art. 35. Das Retrieval bleibt auf den aktuellen Vorgang begrenzt, und jeder Lauf wird vollständig protokolliert. Dieselben Protokolle erfüllen die Rechenschaftspflicht der DSGVO, die Pflichten aus dem AI Act und euren eigenen Debugging-Bedarf.
Der EU AI Act gilt gestaffelt. Die Pflicht zur KI-Kompetenz nach Art. 4 gilt seit Februar 2025, die Transparenzpflichten nach Art. 50 seit August 2026, die Übergangsfristen für Hochrisiko-Systeme laufen bis 2027 und teils darüber hinaus. Ein Triage- oder Auftragserfassungs-Agent mit menschlicher Prüfung ist kein Hochrisiko-System. Hochrisiko ist KI, die über Menschen entscheidet. Driftet ein Agent vom Sortieren des Bewerbungspostfachs zum Ranken von Kandidaten, hat er die Risikoklasse gewechselt, und genau dagegen ist die Rolle geschnitten.
Ihr seid Betreiber im Sinne der Verordnung. Das heißt: Identität, Berechtigungen, Daten und Freigaben liegen bei euch, und die Menschen, die den Agenten beaufsichtigen, verstehen, was er tut. Wir verantworten Code, Evals, Modellmigrationen und Regressionen. Diese Aufteilung steht im Vertrag.
Was Betrieb und Wartung konkret heißen
Der Go-live ist der Anfang der Arbeit. Modellanbieter kündigen Versionen ab. Ein Vorsystem ändert ein Feld. Eine Kollegin passt eine Vorlage an, und der Agent liefert plötzlich anders. Nichts davon ist ein Fehler im Agenten, und alles davon ist ein Wartungsfall.
Deshalb gehört zu jedem Agenten von uns eine Eval-Suite aus einigen hundert historischen Fällen mit bekanntem Ergebnis, die bei jeder Änderung an Prompt, Modell oder Vorsystem läuft. Dazu Monitoring mit Alarmen, Kosten- und Token-Budgets, ein Rollback auf die letzte funktionierende Version und ein monatliches Review an der vereinbarten Kennzahl. Was das im Einzelnen bedeutet und wie sich die Verantwortung zwischen Betreiber und Lieferant aufteilt, steht in den beiden Ratgebern KI-Agenten betreiben und KI-Agenten Wartung.
Was es kostet
Unsere Preise stehen auf der Seite. Das Erstgespräch dauert 30 Minuten und kostet nichts. Der Discovery Sprint kostet 2.900 € zum Festpreis und dauert eine Woche; am Ende stehen die Agentenrolle, die Evaluationskriterien und eine Go-/No-Go-Empfehlung mit kalkulierter Roadmap. Deployments starten ab 7.900 € Setup, Betrieb und Wartung ab 2.400 € pro Monat. Der Sprint wird innerhalb von 90 Tagen vollständig auf ein Deployment angerechnet.
Was den Preis treibt: die Zahl der Integrationen, die Datenlage, der Kontrollbedarf, also wie viele Aktionstypen eine Freigabe brauchen, und das Volumen. Was ihn nicht treibt: die Größe eures Unternehmens. Das Angebot nach dem Sprint macht Umfang, Setup, laufende Kosten, Kennzahl und Exit explizit.
Woran Agentenprojekte scheitern
Am Modell liegt es fast nie. MITs Project NANDA hat 300 Enterprise-Deployments untersucht und kommt zu dem Ergebnis, dass rund 95 % der GenAI-Piloten keinen messbaren Effekt auf die GuV haben. RAND schätzt nach Interviews mit 65 erfahrenen Engineers, dass mehr als 80 % der KI-Projekte scheitern, doppelt so oft wie IT-Projekte ohne KI. Die Gründe wiederholen sich: Dem Agenten fehlt der saubere Zugriff auf die Systeme, in denen die Arbeit passiert. Niemand hat definiert, was ein gutes Ergebnis ist. Die Übergabe an den Menschen fehlt, und beim ersten Grenzfall bleibt der Vorgang liegen. Nach dem Go-live kümmert sich niemand.
Unser Vorgehen ist auf diese vier Ursachen geschnitten: Der Sprint liefert die Erfolgsdefinition, die Integration den Zugriff, der Freigabemodus die Übergabe, der Wartungsvertrag den Betrieb. Wie die Engineering-Disziplin dahinter aussieht, steht in KI, die in der Produktion überlebt.
Warum ein Engineering-Team
twigbit ist ein Team aus Senior-Software-Engineers in Berlin, das sich selbst mit Agenten betreibt. Vertrieb, Marketing, Reporting und Teile der Entwicklung laufen bei uns über dieselben Agenten, die wir ausliefern. Was wir dabei über Evals, Kontextpflege und Rechtemodelle lernen, steckt im nächsten Projekt.
Unser Angebot ist Software, die eine Kennzahl bewegt, und die Verantwortung dafür im Betrieb. Bei Projektron hat der Support-Triage-Agent im ersten Jahr 3,9× seinen Einsatz zurückgebracht; bei A2Mac1 hat der Agent 27 % Kosteneinsparpotenzial in den analysierten Lieferketten gefunden. Beide Fälle stehen mit Namen und Ansprechpartnern weiter unten. Fragt sie.
So startet ihr
Bringt einen wiederkehrenden Ablauf mit, oder eine Produktidee. In 30 Minuten klären wir, ob er klar, häufig und kontrollierbar genug für einen Agenten ist, was Integration oder Entwicklung daraus machen können und was der kleinste sinnvolle erste Schritt wäre: Sprint, vorbereiten oder bewusst warten.
